Proyek Akhir: Menyelesaikan Permasalahan Perusahaan Edutech

Business Understanding

Jaya Jaya Institut merupakan salah satu institusi pendidikan perguruan yang telah berdiri sejak tahun 2000. Hingga saat ini ia telah mencetak banyak lulusan dengan reputasi yang sangat baik. Akan tetapi, terdapat banyak juga siswa yang tidak menyelesaikan pendidikannya alias dropout. Jumlah dropout yang tinggi ini tentunya menjadi salah satu masalah yang besar untuk sebuah institusi pendidikan. Oleh karena itu, Jaya Jaya Institut ingin mendeteksi secepat mungkin siswa yang mungkin akan melakukan dropout sehingga dapat diberi bimbingan khusus.

Permasalahan Bisnis

Di banyak institusi pendidikan, dropout student menjadi masalah serius yang dapat mempengaruhi reputasi institusi dan keseimbangan keuangan jangka panjang. Sama halnya yang terjadi di Jaya Jaya Institut. Dengan memanfaatkan data yang ada saat pendaftaran student dan performa akademis mereka pada akhir semester pertama dan kedua, kita dapat membangun model klasifikasi untuk memprediksi kemungkinan seorang student untuk melakukan dropout. Urgensinya adalah untuk mengidentifikasi faktor-faktor yang dapat mempengaruhi keputusan dropout tersebut, seperti jalur akademis, faktor demografis, dan sosial-ekonomi.

Efek jangka panjang dari masalah ini termasuk penurunan angka kelulusan, peningkatan biaya akibat kehilangan pendapatan student, dan dampak negatif terhadap citra institusi. Dengan mengantisipasi dropout melalui model prediksi yang tepat, institusi dapat mengambil langkah-langkah intervensi yang diperlukan untuk meningkatkan retensi student dan menciptakan lingkungan akademik yang lebih sukses.

Cakupan Proyek

Pengumpulan dan Pemahaman Data:
- Pada proyek ini dataset sudah tersedia, terlampir pada folder dataset (data.csv) atau link dataset pada sub dibawah.
- Memahami struktur dan karakteristik data, termasuk jenis variabel, jumlah data, dan nilai-nilai yang hilang atau tidak valid.
Eksplorasi Data Analysis (EDA):
- Melakukan eksplorasi data awal untuk mengidentifikasi pola, tren, dan hubungan antar variabel.
- Visualisasi data untuk memahami distribusi variabel dan mendeteksi anomali atau outlier.
Pembersihan dan Persiapan Data:
- Menangani nilai-nilai yang hilang, duplikat, atau tidak valid dalam dataset.
- Mengonversi variabel-variabel yang diperlukan menjadi format yang sesuai untuk analisis lebih lanjut.
- Normalisasi atau standarisasi variabel numerik.
Analisis Faktor-Faktor yang Mempengaruhi Dropout:
- Melakukan analisis statistik untuk mengidentifikasi variabel-variabel yang signifikan mempengaruhi dropout.
- Menggunakan teknik korelasi untuk menemukan hubungan antar variabel.
Pengembangan Model untuk memprediksi Student Dropout:
- Membagi dataset menjadi data latih dan data uji untuk pengembangan model prediksi.
- Menggunakan resampling SMOTE, Random Under Sampling dan Tanpa Resampling
- Menerapkan PCA agar didapatkan komponen yang optimal
- Membangun dan melatih model prediksi menggunakan algoritma machine learning. Model machine learning yang digunakan pada proyek ini:
  - Random Forest
  - Logistic Regression
  - Decision Tree
  - XGB
  - Gradien Boosting
  - SVM
- Mengevaluasi performa model
Merancang dan membangun dashboard interaktif menggunakan Metabase yang terintegrasi dengan Supabase.

Dengan cakupan proyek yang sudah dijelaskan di atas, diharapkan dapat memberikan hasil yang komprehensif dan actionable bagi Jaya Jaya Institut dalam mengurangi tingkat dropout dan meningkatkan lingkungan akademik yang lebih sukses.

Persiapan

Sumber data:

Setup environment:

Pastikan terhubung ke internet untuk dapat melakukan install module (library)
Buka cmd atau powershell as administrator

pip install -r requirements.txt

Melakukan Upload Dataset ke Supabase

Pastikan kamu sudah membuat akun Supabase.
Jika sudah, klik New Project
Kamu dapat mengisi form sesuai dengan keinginanmu, namun pastikan bahwa password mudah diingat atau perlu kamu salin di notepad.
jika sudah kamu hanya perlu klik Create New Project. Tunggu sampai proses build selesai.
Setelah itu klik Project Setting -> Database
Lakukan copy Cennection String URL berikut.
Paste pada notebook bagian Mengupload dataset ke supabase, ganti [Your Password] dengan password yang kamu masukkan tadi.
Lakukan run notebook dari awal hingga bagian Mengupload dataset ke supabase. Pastikan dapat berjalan dengan baik.

Menghubungkan Database Supabase ke Metabase dengan Docker

Pastikan kamu memiliki aplikasi Docker yang sudah terinstall atau kamu dapat melakukan install terlebih dahulu.
Jika sudah terinstall. Run command berikut:

docker run -p 3000:3000 --name metabase metabase/metabase

Halaman browser baru akan terbuka. Kemudian Klik Settings -> Admin settings -> Database -> Add database
Masukkan informasi konfigurasi dari database yang sebelumnya telah kamu buat.
Jika sudah lengkap, klik Save.
Kamu dapat membuat model, visualisasi dan dashboard sesuai keinginanmu.

Run Steamlit Prediction Apps

Untuk menjalankan aplikasi ini, kamu harus masuk ke folder (directory) yang sesuai dengan file prediction.py berada, kemudian masukkan command berikut dan tekan Enter:

streamlit run prediction.py

Atau akses secara online: Students Performance App

Fitur:

Melakukan prediksi dengan mengupload data student dalam format .csv, sudah ada juga contoh file yang bisa kamu coba di dataset/sample_test.csv. Terdapat slider untuk mengatur banyaknya data yang ingin dipratinjau.
Pemilihan model machine learning yang memungkinkan user dapat beriteraksi dengan aplikasi menjadi lebih baik.
Hasil prediksi dapat didownload dalam format .csv sehingga menjadi lebih mudah diakses.

Business Dashboard

Dashboard ini mencakup berbagai metrik dan visualisasi, termasuk score card total student dropout, graduate, dan enrolled. Selain itu, menampilkan rata-rata umur, jumlah kewarganegaraan yang menjadi student di institusi, nilai rata-rata admission grade, inflation rate, dan unemployment rate.

Tidak hanya itu, melalui dashboard ini, pengguna dapat melihat student berdasarkan gender, marital status, debtor, displaced, beasiswa, dan melihat siswa yang membayar tepat waktu atau tidak. Juga menampilkan top course yang paling banyak diambil oleh student baik secara nationality maupun international.

Terdapat filter yang memungkinkan pengguna untuk menflter data berdasarkan status dan debtor. Dengan memahami faktor-faktor yang mempengaruhi dropout, Jaya Jaya Institut dapat mengambil langkah-langkah proaktif untuk memberikan pendampingan khusus kepada student yang berisiko dropout, dengan tujuan mengurangi tingkat dropout dan meningkatkan tingkat kelulusan.

Conclusion

Student yang tidak mendapatkan beasiswa cenderung memiliki tingkat dropout yang lebih tinggi dibandingkan dengan mereka yang menerima beasiswa. Hal ini menunjukkan pentingnya dukungan finansial dalam memotivasi student untuk menyelesaikan pendidikan mereka.
Student yang teratur dalam pembayaran biaya kuliah memiliki kecenderungan yang lebih tinggi untuk lulus, sementara yang tertinggal dalam pembayaran lebih rentan untuk dropout. Manajemen keuangan yang baik sepertinya berkorelasi dengan keberhasilan akademik.
Status pernikahan mempengaruhi hasil akademik. Student yang masih single cenderung memiliki tingkat kelulusan yang lebih tinggi dibandingkan dengan mereka yang sudah menikah, mungkin karena tanggung jawab tambahan yang dialami student yang sudah menikah.
Status perpindahan tidak sepenuhnya menentukan hasil akademik, tetapi student yang tidak mengalami perpindahan cenderung memiliki tingkat retensi yang sedikit lebih tinggi daripada mereka yang mengalami perpindahan.
Student yang mendaftar di usia lebih tua, khususnya di atas 23 tahun, cenderung memiliki tingkat dropout yang lebih tinggi. Ini mungkin terkait dengan tantangan menyesuaikan diri dengan lingkungan akademik setelah gap year dari pendidikan formal.
Student dengan utang atau kinerja akademik yang buruk lebih rentan untuk dropout. Hutang dapat menjadi beban tambahan yang menghambat kemajuan akademik.
Model machine learning Logistic Regression yang dikembangkan memiliki akurasi 90% dan SVM dengan akurasi 92%. Namun Logistic Regression lebih stabil dibandingkan SVM dari uji coba yang sudah dilakukan. Sehingga pada kasus ini menggunakan Logistic Regression sebagai model utama untuk melakukan prediksi status student Dropout ataupun Graduate. Model dapat melakukan prediksi dan sudah dideploy menggunakan Streamlit.

Rekomendasi Action Items

Jaya Jaya Institut perlu mempertimbangkan peningkatan dalam penawaran beasiswa dan bantuan keuangan lainnya untuk mengurangi beban finansial student yang tidak mampu. Prioritaskan kepada student yang memiliki performance yang baik terlebih dahulu.
Implementasi sistem pengingat pembayaran atau program bantuan keuangan untuk student yang mengalami kesulitan dalam memenuhi kewajiban biaya kuliah mereka. Tambahkan opsi cicilan juga jika diperlukan.
Menyediakan dukungan khusus untuk student yang sudah menikah atau bekerja, seperti pembelajaran yang mungkin bisa dilakukan secara online. Sehingga student lebih fleksibel dalam mengikuti pembelajaran.
Memahami faktor-faktor yang mendasari perpindahan student dan mengembangkan program orientasi dan integrasi yang lebih baik bagi student baru.
Menyediakan program transisi dan dukungan akademik tambahan untuk student yang kembali ke sekolah setelah mengalami gap year.
Mengembangkan program manajemen utang dan bimbingan akademik yang terintegrasi untuk membantu student dalam mengatasi kesulitan finansial dan meningkatkan kinerja (performance) mereka.

maulanakavaldo/student-performance